티스토리

< DevKor />

검색하기

블로그 홈

< DevKor />

devkor.tistory.com/m

Team DevKor - Korea University

구독자: 2

방명록 방문하기

주요 글 목록

[CS231n] 12. Visualizing and Understanding 0. 서론 이 강의의 목표는 여태까지 블랙박스(중간 과정에 대한 이해나 설명이 어려운 구조) 형태로 바라보았던 Convolutional Network의 내부가 어떻게 작동하는지에 대한 최소한의 이해를 가지는데에 있다. 물론 아직까지 딥러닝 구조를 완벽히 설명할 수는 없지만 특정 입력값을 변화시킨 후 이에대한 네트워크의 변화를 관찰함으로써 어느정도의 인과관계를 설명하고자 한다. 1. Convolutional Filters 각 Feature Map에서 필터가 찾고자 하는 정보는 어떤것인지에 대한 정보를 얻기 위해서 수많은 이미지를 이용해 훈련이 완료된 네트워크에서 weight 값을 시각화하는 방법을 채택할 수 있다. 일반적으로 이미지를 분류하는 경우 입력 값으로 3xHxW 형태의 Tensor가 들어오게 되고.. 공감수 0 댓글수 0 2020. 1. 16.
[CS231n] 11. Detection and Segmentation 이번 강에서는 Image detection 과 Image Segmentation분야의 여러 문제들과 이에 사용되는 네트워크 구조를 알아볼 것입니다. 엄청나게 방대하고 현재도 활발한 분야이기 때문에 각각에 대해서 간략한 소개 정도만 하게 됩니다. 1. Semantic Segmentation Semantic segmentation이란 위 그림처럼 한 그림 안에서 각 영역을 나누는 분야입니다. - Approach 1. Sliding Window 우선 가장 먼저 생각할 수 있는 방법 중 하나는, 적당한 크기의 window 를 설정하고 이 window로 이미지를 처음부터 끝까지 훑으며 모든 위치에서 이 window안의 이미지를 classification 을 하는 CNN에 넣어주는 것입니다. 가능은 하겠지만 win.. 공감수 0 댓글수 0 2020. 1. 16.
[CS231n] 8. Deep Learning Software(2) - Frameworks 이번 포스팅에서는 실제 딥러닝 코드 구현에서 사용되는 딥러닝 프레임워크들에 대해 소개합니다. * 본 포스팅은 2017년 상반기를 기준으로 작성되었습니다. 딥러닝 코드 구현에 도움을 주는 프레임워크는 그동안 정말 많이 출시되었습니다. 그 중 현재 널리 쓰이고 있고 이번 포스팅에서 소개할 프레임워크는 3개입니다. TensorFlow PyTorch Caffe2 이전의 포스팅에서 파이썬의 Numpy 모듈을 이용해서 신경망을 구현하는 방법을 보인 적이 있습니다. 물론 Numpy 모듈을 이용한 행렬 연산으로 딥러닝 네트워크를 구현할 수도 있습니다. 하지만 이 경우에는 GPU의 사용이 제한되며 그래디언트 값을 수동으로 계산해줘야 한다는 단점이 있습니다. 이에 반해 TensorFlow나 PyTorch와 같은 프레임워크.. 공감수 0 댓글수 0 2020. 1. 16.
[CS231n] 8. Deep Learning Software(1) - CPU vs GPU 흔히들 머신러닝이나 딥러닝 코드와 같이 컴퓨터 부하가 많이 걸리는 프로그램을 작동할 때 GPU를 사용하면 보다 빠르게 프로그램을 동작시킬 수 있다고 말합니다. 그렇다면 CPU와 GPU는 어떤 차이가 있길래 그런 것이고 GPU를 사용했을 때의 장점은 정확히 무엇일까요? CPU는 Central Processing Unit의 약자로 컴퓨터의 모든 프로그램의 동작을 제어하는 장치입니다. 반면 GPU는 Graphical Processing Unit의 약자로 원래는 빠른 시간에 많은 연산을 수행해야 하는 그래픽 관련 처리를 담당하기 위해 만들어진 장치입니다. GPU를 생산하는 회사는 NVIDIA와 AMD가 유명한데 딥러닝 관련 API나 라이브러리는 NVIDIA사의 GPU를 기반으로 만들어진 것이 많습니다. 따라서 .. 공감수 0 댓글수 0 2020. 1. 15.
[CS231n] 9. CNN Architecture CNN(Convolution Neural Network)은 근래에 시각 인식 인공지능에 자주 사용되는 네트워크 구조입니다. CNN이 자주 사용되는 이유는 무엇보다도 다른 것들보다 좋은 성능을 보이기 때문입니다. 이 글은 CS231n 유튜브 강의 9강에서 다룬 Imagenet classification 대회에서 좋은 성적을 거둔 CNN Architecture에 대해 소개할 것입니다. 0. History of Imagenet Classification Winners 각 년도에 해당하는 Imagenet Classifcication 승자의 error rate는 위와 같습니다. 여기서 저희는 AlexNet, GoogLeNet, ResNet, VGG Net에 대해 알아보겠습니다. (2013년에 1위를 차지한 ZFN.. 공감수 0 댓글수 0 2020. 1. 15.
[CS231n] 10. Recurrent Neural Networks 저번 시간에는 CNN 구조에 대해서 배웠습니다. 오늘은 Recurrent Neural Network(RNN) 에 대해서 배워보도록 하겠습니다. Recurrent Neural Networks RNN은 위처럼 생긴 모델들을 의미합니다. 모델의 아웃풋을 통해 다시 그 모델을 반복적으로 학습하게 되는 구조를 띄고 있습니다. one-to-one은 하나의 인풋에 대해서 하나의 아웃풋이 나오는 모델이며 Vanilla Neural Networks라고 부릅니다. one-to-many는 하나의 인풋에 대해 여러개의 아웃풋이 나오는 모델로 보통 Image Captioning을 할 때 사용됩니다. 하나의 이미지에 대해서 여러개의 단어들을 뽑아내어 캡션을 달아줍니다. many-to-one은 여러개의 인풋에 대해 하나의 아웃풋만.. 공감수 1 댓글수 0 2020. 1. 11.
[Deep Learning from Scratch] 7장. 합성곱 신경망 이번 장의 주제는 합성곱 신경망(Convolutional Neural Network, CNN) 입니다. 내용적으로 반드시 따라나와야 하는 내용은 아니지만, 워낙 효과적이고 많이 쓰이기 때문에 딥러닝을 배울때 반드시 짚고 가는 내용입니다. 합성곱 신경망을 이해하기 위해서는 합성곱 계층과 풀링 계층을 알아야 합니다. 0. 채널 (Channel) 하지만 우선 layer들을 살펴보기 전에 channel이 무슨 개념인지 알고 갑시다. 만약 컴퓨터에서 어떤 이미지를 RGB로 처리한다고 하면, 다음과 같이 이미지를 R, G, B 세개 channel의 결합으로 생각할 수 있습니다. 이와 비슷하게 뒤에 볼 Convolutional Layer를 거치면 같은 이미지에 대한 Feature Map(2차원 배열입니다)이 커널의 .. 공감수 3 댓글수 0 2020. 1. 9.
[Deep Learning from Scratch] 8. 딥러닝 이번 시간에는 딥러닝에 대해서 알아보겠습니다. multi layers 저번 시간에 CNN의 원리와 손글씨를 인식하는 모델을 직접 구성해봤습니다. 현재는 MNIST 데이터셋에 대해 정확률이 99.79%까지 도달한 상태로 많이 발전했고 앙상블 학습, 학습률 감소, 데이터 확장 등 여러가지 많은 테크닉들이 생겼습니다. 여기서 이런 테크닉도 중요하지만 저희가 알고 넘어가야 할 것은 '층을 깊게 하는 것'이 왜 중요한지에 대한 이해입니다. 일단 결과론적으로 비전 쪽에서 제일 유명한 대회인 ILSVRC의 수상작들을 보면 층들이 매우 깊습니다. 이런 것을 보면 층이 깊으면 더 좋다는 건 알겠는데 왜 좋아지는지 그 이유에 대해 생각을 한번 해봅시다. 먼저 층이 깊어지면 학습해야할 신경망의 파라미터 개수가 줄어듭니다. .. 공감수 1 댓글수 0 2020. 1. 9.
[Deep Learning from Scratch] 6장. 학습 관련 기술들 1. 가중치 값의 갱신 신경망 학습의 목적은 손실 함수(loss function)의 값을 가능한 낮추는 것으로 이는 곧 신경망의 매개변수, 즉 가중치의 최적값을 찾는 문제로 귀결된다. 이러한 문제를 최적화(Optimization)라고 한다. 일반적으로 인공 신경망의 매개변수 공간은 매우 넓고 복잡해서 최적의 해결책을 찾는 것은 결코 쉬운 작업이 아니다. A. 경사 하강법(Gradient Descent) 가장 널리 사용되는 가중치 값의 최적화 솔루션 중 하나는 경사 하강법(Gradient Descent)이라는 기법이다. 경사 하강법은 각 입력값이 순전파된 이후 실제 값(Ground Truth)과 일치시키기 위해 계산된 매개변수(가중치)의 미분 값을 이용해 기울어진 방향으로 값을 갱신하는 일을 계속 반복해 .. 공감수 0 댓글수 0 2020. 1. 8.
[Deep Learning from Scratch] 5장. 오차역전파 이 글은 사이토 고키의 'Deep Learning from Scratch' 중 5단원인 오차역전파법를 요약한 글입니다. 이 글에선 오차역전파에 대해 최대한 쉽게 요약하고 필요하다면 저의 부가적인 코멘트도 덧붙여 설명할 예정입니다. 다만 이 글을 읽으시기 전 신경망의 학습이 어떻게 이루어지는지(가중치, 편미분, 배치 등)를 이해하셔야 편하게 글을 읽으실 수 있습니다. 0. 오차역전파? 저는 예전부터 어떤 개념을 배울 때 그 용어의 뜻을 파헤치는 게 이해에 도움이 됐습니다. 그렇기 때문에 용어에 의미가 담겨있는 과학, 수학을 좋아했고, 영어 단어처럼 의미가 없는 것을 외우는 것은 상당히 힘들어했던 기억이 있습니다. 사설은 여기서 그만 접고, 오차역전파라의 의미를 파헤쳐보고자 합니다. 오차역전파라는 단어는 오.. 공감수 0 댓글수 0 2020. 1. 8.
[Deep Learning from Scratch] 4장. 신경망 학습 우리는 3장에서 신경망이 무엇인지에 대해 알아보았습니다. 이번 챕터에서는 만든 신경망을 어떻게 학습하는지를 알아볼 것입니다. 신경망은 데이터에서 답을 찾고 패턴을 발견하면서 학습해나갑니다. 이것을 흔히 말하는 기계학습이라고 하죠. 사람은 데이터를 보고 직관적으로 정보를 추출해는 반면 컴퓨터는 그렇게 할 수가 없습니다. 손글씨를 보고 이 글씨가 무엇인지 판단할 때 우리가 어떻게 판단을 하나요? 여기서 이 숫자를 판단할 때 머릿속으로 직선과 곡선의 교점들을 보면서 판단하는 사람은 없을 것입니다. 사람도 모르는데 이것을 파악하는 알고리즘을 구현하기란 정말 어려운 일입니다. 그래서 우리는 알고리즘 자체를 만드는 것이 아니라 충분히 많은 데이터를 통해 알고리즘을 스스로 학습할 수 있는 모델을 만들고자 하였고 이것.. 공감수 0 댓글수 0 2020. 1. 8.
[Deep Learning from Scratch] 3장. 신경망 - 구현 1. 계단 함수 def step_function(x): # x : np array y = x > 0 return y.astype(np.int) 2. 시그모이드 함수 def sigmoid(x): # x : np array return 1 / (1 + np.exp(-x)) 3. ReLU 함수 def relu(x): # x : np array return np.maximum(0, x) 4. 항등 함수 def identity_function(x): # x : np array return x 5. 소프트맥스 함수 def softmax(x): # x : np array c = np.max(a) # to prevent overflow exp_a = np.exp(a - c) sum_exp_a = np.sum(exp_a.. 공감수 0 댓글수 0 2020. 1. 8.
[Deep Learning from Scratch] 3장. 신경망 - 이론 신경망은 퍼셉트론과 별반 다를 것이 없습니다. 이미 설정된 가중치와 편향 값만 있다면 입력 값을 받아 결과에 맞는 출력을 얻을 수 있습니다. 가중치와 편향 값은 아래의 식을 계산할 때 이용됩니다. 위 식은 다음과 같이 나타낼 수도 있습니다. 이 때 h(x)는 활성화 함수(activation function)라 합니다. 활성화 함수는 뉴런의 입력신호의 총합을 통해 해당 뉴런을 활성화 시킬지 말지를 결정하는 함수입니다. 뉴런이 활성화 되었다는 것은 출력신호가 1이라는 뜻으로 해석할 수 있습니다. 활성화 함수 본 포스팅에서는 세가지의 활성화 함수에 대해 소개합니다. 바로 시그모이드 함수(sigmoid function), 계단 함수, ReLU(Rectified Linear Unit)입니다. 시그모이드 함수 시그.. 공감수 0 댓글수 0 2020. 1. 8.
[Deep Learning from Scratch] 2장. 퍼셉트론 퍼셉트론알고리즘은 프랑크 로젠블라트(Frank Rosenblatt)에 의해 1957년에 고안된 것으로 신경망(딥러닝)의 기원이 되는 알고리즘입니다. 퍼셉트론은 여러 입력을 받아 하나의 신호를 출력합니다. 이 작업을 수행하기 위해 한 개 이상의 층으로 이루어진 뉴런(노드)을 통해 신호를 전달합니다. 한 뉴런의 출력신호가 그 다음 층 뉴런의 입력신호로 사용되는 형태이며 이 때 고유한 가중치(weigt)가 곱해진 상태로 입력됩니다. 그리고 뉴런에 입력된 신호의 총합이 정해진 임계값을 넘길 때 그 뉴런의 출력신호는 1이 되고 그렇지 않을 경우 0을 출력합니다. 이것을 식으로 나타내보면 다음과 같습니다. 위 식에서 θ를 -b로 치환하면, 이 때 b를 편향(bias)이라고 합니다. 위의 식과 같은 퍼셉트론으로 AN.. 공감수 0 댓글수 0 2020. 1. 8.
딥러닝을 통한 Image Segmentation 입문!! Keras를 사용해 딥러닝으로 이미지를 분석해보자! A Beginner's guide to Deep Learning based Semantic Segmentation using Keras 원문 링크 : https://divamgupta.com/image-segmentation/2019/06/06/deep-learning-semantic-segmentation-keras.html 참조 : https://bskyvision.com/491 주의 사항 : 원문의 semantic segmentation, semantic image segmentation 등의 단어들을 통틀어 image segmentation(이미지 분석)로 번역하였습니다. 픽셀 기반의 이미지 분석(Image Segmentation) 문제는 컴퓨터.. 공감수 9 댓글수 1 2019. 12. 2.
03. Django Rest Framework 회원 인증, 유저 모델 확장하기 들어가며 # (수정) 추후 설명하는 그림을 첨부할 예정입니다. # 공부하며 쓰는 글이라 제일 좋은 방법이 아닐 것이며, 때로 부정확한 정보가 있을 수 있습니다. 지난 시간에는 DRF에서 가장 중요한 개념인 시리얼라이저를 이해하고 어떻게 뷰와 작성하는지를 보았습니다. 이번 글에서는 DRF로 토큰 기반 회원 인증 / 가입 및 로그인을 구현해보도록 하겠습니다. 진행에 앞서 토큰 기반 인증에 대해 알 필요가 있습니다. 해당 개념에 대해서는 다음 블로그 링크를 첨부하는 것으로 넘어가겠습니다. 쉽게 알아보는 서버 인증 1편 - 이호연 블로그 또한, 요즘 서비스에서 소셜 인증을 안 쓸 수 없기 때문에 추후에 소셜 인증으로 해당 포스트를 그대로 다시 작성해보겠습니다. django-rest-knox? 우리가 앞서 설치한.. 공감수 6 댓글수 3 2019. 11. 10.
02. Django Rest Framework, Serializer, View 개념 익히기 Hello World 코드 설명 # (수정) 추후 설명하는 그림을 첨부할 예정입니다. GET 127.0.0.1:8000/api/hello/ 지난 시간에 해당 주소로 요청을 보내면 hello world를 print하는 api를 만들었습니다. 각 단계를 다시 따라가보며 세부적인 내용을 살펴보겠습니다. 첫번째 단계는 views.py를 작성하는 것입니다. 현재 사용하고 있는 view의 구조는 함수 기반 뷰, 이른바 FBV 입니다. # api/views.py from rest_framework.response import Response from rest_framework.decorators import api_view # Create your views here. @api_view(['GET']) # 해당 함수.. 공감수 16 댓글수 4 2019. 11. 7.
01. Django Rest Framework 개발 환경 세팅 시작하며 Python: 3.6.3 IDE: VS Code 본 포스트는 Django 튜토리얼은 해보았다는 가정 하에 작성되었습니다. 만약 Django가 아예 처음이라면 장고걸스튜토리얼을 먼저 해보시길 바랍니다. Django 개발 환경 세팅 원활한 Django 개발을 위해서는 파이썬 가상환경 세팅이 필요합니다. 다음과 같은 명령어로 venv 생성 및 패키지 설치, 초기 세팅을 진행합니다. $ mkdir Rest-CRUD $ cd Rest-CRUD $ python3 -m venv venv $ source venv/bin/activate $ (venv) pip install django $ (venv) django-admin startproject mysite . $ (venv) python manage.py .. 공감수 4 댓글수 0 2019. 11. 5.
00. 들어가며 - Django Rest Framework로 게시판 만들기 프론트엔드와 백엔드 요즘 웹 개발의 흐름은 react.js, vue.js의 JS 기반 프론트엔드 프레임워크가 지배하고 있다고 느껴집니다. 웹 개발을 할 때 react.js나 vue.js 없이 개발하는 사례가 거의 없는거 같아요. (프론트를 거의 안해봐서 잘 모르겠지만) 워낙 쉽게 모든 걸 할 수 있고, 기존 jquery, js로 구현하기 어려웠거나 불편했던 것의 해결, 유지 보수 등이 좋아 인기가 많은 것 같습니다. 이러다 보니 웹을 만드는 프로젝트를 할 때(비즈니스 레벨 혹은 학교 팀 프로젝트 레벨이더라도) 프론트엔드 프레임워크를 담당하는 사람(들)이 꼭 있습니다. 짧은 식견으로는 라우팅이나 기존 새로고침을 통해 제공해야 했던 데이터의 변경을 프론트엔드에게 넘겨주고, 백엔드에서는 그저 DB에 접근해 요.. 공감수 5 댓글수 0 2019. 11. 4.
Soft Voting 과 Hard Voting Ensemble 에 대해 공부하셨다면 Soft Voting 과 Hard Voting에 대해서 알고 있으시겠지만, 대부분 개념은 대충 넘기고 모듈을 사용하기 때문에 정확한 개념을 헷갈리는 경우가 있습니다. 저도 자료들을 찾아보면서 한동안 혼란을 겪었는데, 가장 큰 이유는 적지 않은 사이트들이 Soft Voting 과 Weighted Voting을 섞어 쓰기 때문이었습니다. 한번 확실하게 알아 봅시다. 참고로 본 포스트의 모든 내용은 Classification 문제에 대한 것이라고 생각하시면 됩니다. voting이 뭔지 잘 모르시겠으면 이 포스트 를 참고해 주세요 Hard Voting Hard Voting은 Majority Voting이라고도 하며, 각각의 모델들이 은 각각의 모델들이 결과를 예측하면 단순하.. 공감수 14 댓글수 0 2019. 10. 29.
머신 러닝 입문자를 위한 설명 - 교차 검증(K-Fold Cross Validation) 기계 학습(머신 러닝) 알고리즘은 '모델'이 학습 데이터(Training Data)를 통해 학습된 속성을 기반으로 결과를 예측하도록 합니다. 얼핏 생각하기에는 적합한 데이터를 이용하여 훈련시킨다면 다른 데이터에 대해서도 정확한 답을 내놓을 것 같지만, 실제로 시도해 보면 생각만큼 제대로 작동하지는 않습니다. 여기서는 그 원인들 중 하나인 Overfitting(이하 과적합) 문제에 대해 이야기해보고자 합니다. 과적합이란 '학습이 너무 잘 된 상태'를 의미합니다. 학습이 잘 이루어졌는데 어째서 문제가 발생하는지 궁금하신 분들을 위해 간단한 예시를 들겠습니다. 다음과 같이 붉은색의 예측한 그래프와 파란색의 원하는 결과 그래프가 상이한 상황을 볼 수 있습니다. 이처럼 과적합이란 "모델이 실제 변수들 간의 관계보.. 공감수 5 댓글수 0 2019. 10. 28.
컴퓨터의 시각 인식에 대해 알아보자 The Beginner's Guide to Computer Vision 원문 링크 : https://www.kaggle.com/sandeeppat/the-beginner-s-guide-to-computer-vision/notebook Intro 안녕하세요 여러분! 이 글은 컴퓨터의 시각 인식과 특히 컴퓨터가 어떻게 이미지를 처리하는지에 대해서 처음 알아보는 분들께 가이드가 되고자 만들어진 커널입니다. 저희가 이번 커널에서 다룰 내용은 아래와 같습니다 - Section A 이미지가 컴퓨터에 어떻게 저장되며, 왜 그렇게 저장되는가? 이미지를 어떻게 읽어오고, 그 속성을 어떻게 확인하는가? 훈련 목적의 요구사항에 맞게 이미지의 사이즈를 재설정하는 방법은 무엇인가? Section B 커널 transfor.. 공감수 3 댓글수 0 2019. 10. 28.
Boosting과 친해져보자! Boosting (Type of Ensembling) 오늘 알아볼 것은 Machine Learning, 즉 기계 학습시에 사용되는 Ensemble Learning 의 기법 중 하나인 Boosting이 무엇인지, 그리고 Boosting의 종류로는 어떤 것들이 있으며 각각 어떤 특징을 가지고 있는지에 대한 것입니다. Ensembling 이 글을 읽고 있는 분들 모두 아시다시피, 기계 학습 과정에서 우리는 새로운 데이터에 대해서 예측을 하기 위해 K-NN, SVM과 같은 여러 기계학습 알고리즘들 중 하나를 선택하게 됩니다. 그러나 이 하나의 모델만으로 단순히 예측할 수 있는 수준에는 한계가 있기에 사람들은 고민하였고, Ensemble 이란 새로운 기법을 만들어냈죠. Ensemble은 프랑스어로 조화, 통일이라.. 공감수 4 댓글수 0 2019. 10. 27.
중학생도 쉽게 이해하는 Gaussian Naive Bayes Classifier ML을 이용해서 데이터를 예측하는 과정은 크게 세단계로 이루어집니다. training data 분석 Feature Engineering model 선정 및 data feed & test data를 이용한 데이터 예측 그 중 세번째 단계, 즉 model 선정에서 선택할 수 있는 model은 굉장히 다양합니다. 간단히 나열해보자면, Logistic Regression Support Vector Machines (Linear and Radial) Random Forest K-Nearest Neighbors Naive Bayes Decision Tree 등이 있죠! 이번 포스트에서는 이 많은 model 중 Naive Bayes, 그 중에서도 Gaussian Naive Bayes classifier에 대해 알아보.. 공감수 6 댓글수 2 2019. 10. 26.
Ensemble의 기법 앙상블에 대해 공부하는 분이라면 이미 Logistic Regression Tree와 Random Forest Regression의 차이에 대해 알 것이라 생각합니다. Random Forest Regression은 여러개의 Logistic Regression Tree들의 예측값들을 평균내서 예측값을 추측합니다. 이 모델의 기반이 되는 생각은 "똑똑한 한 명의 천재보단 멍청한 여러명의 집단이 낫다."라고 요약할 수 있겠네요. 앙상블도 마찬가지 입니다. 앙상블이란 머신 러닝에서 사용되는 모델의 성능을 올리기 위한 기법 중 하나로 다양한 기법들이 존재합니다. 앙상블에는 크게 Voting, Bagging, Boosting, Stacking. 총 4가지가 있습니다. 이 글에선 앙상블의 기법과 각 기법들의 동작 방식.. 공감수 6 댓글수 1 2019. 10. 23.
Supervised Learning Models 머신러닝에는 3종류의 방법이 있습니다. Supervised Learning Unsupervised Learning Reinforcement Learning 지도학습(Supervised Learning)은 인풋데이터와 아웃풋데이터가 정해져 있고 이를 토대로 학습하여 인풋데이터에 맞는 아웃풋이 나올 수 있도록 학습합니다. 비지도학습(Unsupervised Learning)은 인풋데이터에 대한 결과가 정해져있지 않을 때의 학습 방법입니다. 보통 특성이 많은 데이터를 간단하게 줄여서 나타내거나 비슷한 데이터들끼리 묶는 클러스터링 등의 방법을 사용합니다. 강화학습(Reinforcement Learning)은 주어진 상황에서 보상을 최대화할 수 있도록 하는 행동을 학습하는 방법을 의미합니다. 이번 포스트에서는 머신.. 공감수 5 댓글수 1 2019. 10. 22.
Epoch, Batch, Iteration 용어 정리 0. Mini Batch Gradient Descent Batch Gradient Descent와 Stochastic Gradient Descent의 합의 알고리즘인 Mini-Batch Gradient Descent는 속도 및 일반화 측면에서 다른 최적화 기법에 비해 상대적으로 좋은 성적을 내므로 Neural Network와 같은 모델에서 자주 채택됩니다. Mini Batch Gradient Descent의 기본적인 아이디어는 전체 데이터 셋을 여러개의 Mini Batch로 쪼개어 각각의 묶음에 대해 Weight Update 값을 계산하여 Local Minima에 갇히는 상황을 회피하고 SGD와 같이 빠른 속도로 최적점에 다가가는 것을 목표로하는 알고리즘을 사용하는 것입니다. 이후 해당 기법을 이용한 o.. 공감수 5 댓글수 0 2019. 10. 16.
[6주차 정기 세미나] KU Blackboard Web Scraping 코드 * credentials.py 에 본인 ID / Password 저장 필요 from selenium import webdriver from bs4 import BeautifulSoup as bs from credentials import my_id, my_pw driver = webdriver.Chrome('./chromedriver') driver.implicitly_wait(3) driver.get('https://kulms.korea.ac.kr') driver.implicitly_wait(5) # send id id_element = driver.find_element_by_name('user_id') id_element.send_keys(my_id) # send pw pw_element = dri.. 공감수 1 댓글수 0 2019. 10. 15.

문의안내

티스토리
로그인
고객센터

티스토리는 카카오에서 사랑을 담아 만듭니다.